Nhận dạng mặt người dùng gabor wavelets (face recognition using gabor wavelets)

Đại Học Quốc Gia Tp Hồ Chí Minh TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐÀO THỊ THU THỦY NHẬN DẠNG MẶT NGƯỜI DÙNG GABOR WAVELETS (Face Recognition Using Gabor Wavelets) Chuyên ngành : KỸ THUẬT VÔ TUYẾN VÀ ĐIỆN TỬ Mã số ngành : 2.07.01 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, tháng7 năm 2004 Đại Học Quốc Gia Tp Hồ Chí Minh CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC BÁCH KHOA Độc Lập – Tự Do – Hạnh Phúc NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên :ĐÀO THỊ THU THỦY Phái : Nữ Ngày, tháng, năm sinh : 28/08/1978 Nơi sinh : Hưng Yên Chuyên ngành : KỸ THUẬT VÔ TUYẾN-ĐIỆN TỬ Mã số : 2.07.01 TÊN ĐỀ TÀI : NHẬN DẠNG MẶT NGƯỜI DÙNG GABOR WAVELETS II-NHIỆM VỤ VÀ NỘI DUNG : - Tìm hiểu phương pháp nhận dạng mặt biến đổi GaborWavelets - Ứng dụng phép biến đổi Gabor Wavelets biểu diễn trích đặc trưng để nhận dạng mặt người - Xây dựng thuật giải nhận dạng mặt người - Mô hệ thống nhận dạng mặt người ngôn ngữ Matlab III-NGÀY GIAO NHIỆM VỤ : 9/2/2004 IV-NGÀY HOÀN THÀNH NHIỆM VỤ : 30/7/2004 V-HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN : PGS.TS.LÊ TIẾN THƯỜNG CÁN BỘ HƯỚNG DẪN CHỦ NHIỆM NGÀNH BỘ MÔN QUẢN LÝ NGÀNH (Ký tên ghi rõ họ tên) (Ký tên ghi rõ họ tên) (Ký tên ghi rõ họ tên) Nội dung đề cương luận văn thạc só Hội Đồng Chuyên Ngành thông qua Ngày PHÒNG ĐÀO TẠO SĐH tháng năm 2004 KHOA QUẢN LÝ NGÀNH LỜI CẢM ƠN Em xin chân thành cảm ơn thầy PGS.TS LÊ TIẾN THƯỜNG, người trực tiếp hướng dẫn, tận tình bảo tạo điều kiện thuận lợi để em hoàn thành luận văn tốt nghiệp Em xin chân thành cảm ơn tất Quý thầy cô cán khoa Điện-Điện Tử -Trường Đại Học Bách Khoa hết lòng giảng dạy, truyền đạt kiến thức giúp đỡ em suốt thời gian học tập Trường Cuối cùng, xin gửi lời cảm ơn đến gia đình, anh, em bạn bè hổ trợ động viên suốt trình học tập thực luận văn tốt nghiệp Tác giaû ABSTRACT Face recognition is emerging as an active research area with numerous commercial and law enforcement applications Although existing methods performs well under certain conditions, the illumination changes, variable facial expression, viewing directions or poses, aging, and disguises such as facial hair, glasses or cosmetics are still remain as challenging problems The proposed algorithm deals with two of these problems, variable facial expression and illumination changes In our method, Gabor wavelet transform is used for facial feature vector construction due to its powerful representation of the behavior of receptive fields in human visual system The method is based on selecting peaks (highenergized points) of the Gabor wavelet responses as feature points The feature points are automatically extracted using the local characteristics of each individual face in order to better represent diverse facial characteristics of different faces such as eyes, nose, mouth, dimples, moles, etc Since there is no training as in neural network approaches, a single frontal face for each individual is enough as a reference TOÙM TẮT NỘI DUNG Nhận dạng mặt lónh vực nghiên cứu thiết thực với ứng dụng thương mại an ninh Mặc dù phương pháp thực tốt điều kiện đó, thay đổi độ chiếu sáng, thay đổi nét biểu cảm, hướng nhìn, độ tuổi, cải trang râu tóc, đeo kính hay trang điểm vấn đề nan giải Giải thuật đề cập luận văn liên quan đến hai vấn đề thay đổi nét biểu cảm thay đổi độ chiếu sáng Trong phương pháp này, biến đổi Gabor Waveletss sử dụng để xây dựng vector đặc trưng có khả miêu tả tốt cách xử lý lónh vực dễ tiếp thu hệ thống trực quan người Phương pháp chọn đỉnh (các điểm lượng cao) đáp ứng Gabor làm điểm đặc trưng thay cho phương pháp dùng nút đồ thị trước Các điểm đặc trưng tự động trích sử dụng đặc tính cục khuôn mặt riêng để mô tả tốt đặc trưng riêng khuôn mặt khác mắt, mũi, miệng, núm đồng tiền, nốt ruồi… Giải thuật không cần huấn luyện dùng neural network, ảnh mặt trực diện cá nhân đủ để giải Tổ chức luận văn: Chương 1: Các phương pháp nhận dạng mặt nghiên cứu Chương 2: Biến đổi Gabor Wavelets Chương 3: Ứng dụng Gabor Wavelets biểu diễn nhận dạng mặt người Chương 4: Kết mô phỏng, kết luận trình bày hướng phát triển Phụ lục MỤC LỤC Giới thiệu ………………………………………………………………………………………………………………………… …… CHƯƠNG 1: CÁC PHƯƠNG PHÁP NHẬN DẠNG MẶT NGƯỜI .4 1.1 Nhận dạng mặt người ………………………………………………………………………………… 1.2 Nhận dạng mặt người tự động ………………………………………………………………………….8 1.2.1 Biểu diễn, so khớp ảnh mặt giải pháp thống kê 1.2.2 Các phương pháp nhận dạng mặt 1.2.3 Phương pháp thống kê để nhận dạng mặt người (Eigenface) 1.2.4 Phương pháp nhận dạng dựa mô hình ẩn Markov 1.2.5 Phương pháp nhận dạng dùng mạng Neural Networks 1.2.6 Phương pháp nhận dạng dựa khuôn mẫu 1.2.7 Phương pháp nhận dạng dựa đặc trưng khuôn mặt 1.2.8 Tình trạng công nghệ nhận dạng mặt người CHƯƠNG 2: BIẾN ĐỔI GABOR WAVELETS 2.1 Biểu diễn tín hiệu hai miền …………………………………………………………………46 2.1.1 Miền tần số 2.1.2 Nguyên lý bất định 2.2 Khai triển Gabor……………………… …………………………………………………………………………54 2.3 Bộ lọc Gabor……………………………………… …………………………………………………………………54 2.3.1 Bộ lọc chuẩn 2.3.2 Bộ lọc Gabor hai chiều 2-d chuẩn 2.4 Hàm biến đổi Gabor Wavelets …………………………………………………………………….57 2.4.1 Hàm biến đổi Gabor Wavelets chiều 2.4.2 Biến đổi Gabor Wavelets chiều CHƯƠNG 3: ỨNG DỤNG GABOR WAVELETS TRONG BIỂU DIỄN VÀ NHẬN DẠNG MẶT NGƯỜI 3.1 Hệ thống nhận dạng mặt người …………………………………………………………………….67 3.2 Biểu diễn khuôn mặt dùng Gabor Wavelets ………………………………………… 69 3.2.1 Biến đổi Gabor Wavelets 3.2.2 Gabor Wavelets 2D biểu diễn khuôn mặt 3.2.3 Trích đặc trưng 3.2.3.1 Định vị điểm đặc trưng 3.2.3.2 Tạo vector đặc trưng 3.3 Hàm khớp ảnh ……………………………………………………………………………………………………….84 3.3.1 Tính toán đồng dạng 3.3.2 So sánh mặt 3.4 Nhận dạng mặt ………………………………………………………………………………………………………89 CHƯƠNG 4: KẾT QUẢ MÔ PHỎNG 4.1 Tập liệu ảnh………………………………………………………………………………………………………92 4.2 Xây dựng tập ảnh mẫu ma trận đặc trưng mẫu……………………….94 4.3 Kết mô phỏng…………………………………………………………………………………………………97 4.3.1 Kết mô tập ảnh mẫu A 4.3.2 Kết mô tập ảnh mẫu B 4.3.3 Tốc độ thực 4.4 Kết luận………………………………………………………………………………………………………………… 103 4.5 Hướng phát triển đề tài………………………………………………………………………….104 Phụ lục………………………………………………………………………………………………………………………………….106 Tài liệu tham khảo………………………………………………………………………………………………………… 108 -1- GIỚI THIỆU Với phát triển mạnh mẽ kinh tế, trị công nghệ thông tin, yêu cầu phương pháp tổ chức bảo mật thông tin nhận dạng chứng thực ngày phát triển thành công nghệ quan trọng nhiều lónh vực như: điều khiển vào tòa nhà, điều khiển truy cập máy tính nói chung hay máy thu ngân, rút tiền hàng ngày ngân hàng hay bưu điện, hay lónh vực quân đội điều tra tội phạm … Có nhiều phương pháp để nhận dạng cá nhân ứng dụng rộng rãi nhận dạng password, mã cá nhân, thẻ vạch, chữ ký, vân tay, tiếng nói, nhận dạng khuôn mặt … Một hệ thốâng nhận dạng mặt tự động lónh vực nghiên cứu thiết thực với nhiều ứng dụng thực tế Con người thường nhận dựa vào đặc thù khuôn mặt hệ thống nhận dạng mặt đời dựa sở với hệ thống phần cứng video, camera giám sát đặt không gian làm việc với phần mềm dò tìm nhận dạng mặt Với quan thị giác mắt não người có khả nhận dạng khuôn mặt nhiều tình tư nhìn nghiêng hay nhìn trực diện, thái độ biểu cảm khác nhau, trang điểm, thay đổi râu tóc, mang kính hay thay đổi ánh sáng môi trường xung quanh … Nhưng thiết bị nhận dạng mặt nhiệm vụ khó khăn Chủ đề nhận dạng mặt nhiều người nghiên cứu, có bốn giải thuật nhiều người biết đến là: Eigenfaces, mô hình ẩn Markov, Neural Networks phân tích đặc trưng Mỗi giải thuật thường thực tốt -2- điều kiện định Một hệ thống nhận dạng tốt phụ thuộc vào ứng dụng hệ thống đó, người ta chia làm hai loại hệ thống nhận dạng mặt người sau: Tìm người từ sở liệu lớn ảnh mặt (vd: liệu ảnh cảnh sát, thường có vài ảnh cá nhân) Trong trường hợp không cần nhận dạng mặt thời gian thực Nhận dạng người đặc biệt thời gian thực (vd: hệ thống theo dõi định vị, có nhiều ảnh người sẵn dùng để huấn luyện yêu cầu nhận dạng thời gian thực) Trong luận văn này, chủ yếu quan tâm đến trường hợp thứ Sự dò tìm mặt giả sử làm trước, mục đích cung cấp cá nhân (hay nhãn hiệu) liên quan đến ảnh mặt từ tất cá nhân tập sở liệu trường hợp thay đổi độ chiếu sáng, thay đổi nét biểu cảm bị che khuất (đeo kính …) Trong tập liệu chứa ảnh trực diện thêm hay hai ảnh có độ quay mức độ vừa phải, ta không xem xét trường hợp có độ quay lớn (vd: mặt nghiêng phải hay trái hoàn toàn) Phương pháp phân tích đặc trưng dùng phép biến đổi Gabor Wavelets nghiên cứu để nhận dạng mặt người luận văn Với giải thuật này, biến đổi Gabor Wavelets sử dụng để xây dựng vector đặc trưng có khả miêu tả tốt vùng dễ cảm nhận (tiếp thu) hệ thống trực quan người Ở dùng phương pháp chọn đỉnh (các điểm có lượng cao) đáp ứng Gabor làm điểm đặc trưng điểm đặc trưng tự động trích sử dụng đặc tính cục khuôn mặt để lưu giữ nét đặc trưng riêng cá nhân Như số lượng điểm đặc trưng vị trí thay đổi để đại diện cho đặc trưng mặt khác gương mặt người khác Các điểm đặc trưng không điểm -3- khuôn mặt mắt, mũi, miệng mà điểm đặc biệt khác cá nhân núm đồng tiền, vết sẹo… Giải thuâït nhận dạng mặt dùng biến đổi Gabor wavelets không cần huấn luyện dùng Neural networks , ảnh mặt trực diện cá nhân đủ để thực nhận dạng - 95 - Hình 4.2: nh mẫu tập ảnh mẫu A số cá nhân - 96 - Hình 4.3: nh mẫu tập ảnh mẫu B số cá nhân - 97 - Hai tập ma trận đặc trưng lưu trữ sở liệu chương trình nhận dạng truy cập có ảnh mặt cần nhận dạng Một ma trận đặc trưng có 42 cột hai cột toạ độ điểm đặc trưng 40 cột lại giá trị điểm trưng lấy từ 40 đáp ứng lọc Gabor Khi chập ảnh mặt với lọc Gabor điểm có giá trị mức xám khác nhiều với vùng lận cận điểm ảnh bật lên (còn gọi đỉnh hay điểm có lượng cao nghóa giá trị mức xám đáp ứng vị trí điểm ảnh lớn), vùng có giá trị điểm ảnh gần giống không làm lên Trên khuôn mặt người vùng có nhiều thay đổi khác mắt, mũi, miệng, tai, chân mày, viền khuôn mặt, núm đồng tiền hay nốt ruồi… Và điểm đặc trưng tập chung vùng Các điểm đặc trưng tự động trích theo giải thuật trình bày chương Hình 4.4: Vị trí điểm đặc trưng 4.3 Kết mô Chương trình mô viết Matlab 6.5, phần mềm thuận lợi cho phép xử lý thực ma trận ảnh Giao diện thực nhận dạng minh hoạ hình 4.6 Trên giao diện ta chọn hình ảnh cần nhận dạng thông số ngưỡng nhấn nút thực nhận dạng Kết nhận dạng trả thông tin người cần nhận dạng hay ký hiệu mã số Trong giao diện để thấy trực quan, kết - 98 - trả ảnh mặt có tập ảnh mẫu ta dễ dàng thấy nhận dạng hay không Đồng thời trả giá trị cho biết mức đồng dạng hai ảnh, ảnh kiểm tra ảnh có tập ảnh mẫu giá trị đồng dạng Thông số ngưỡng giá trị th1 giải thuật so khớp ảnh Khi so sánh hai ma trận đặc trưng, phải xác định vùng cục chứa điểm đặc trưng để tránh so sánh điểm đặc trưng vùng mắt với vùng miệng chẳng hạn Do ta xem xét hai cột hai ma trận đặc trưng tọa độ điểm đặc trưng Trên hình 4.5 ta thấy vị trí điểm đặc trưng thay đổi theo thay đổi khuôn mặt, nhiên nằm lân cận giới hạn định thông số ngưỡng bán kính vùng lân cận mà điểm đặc trưng nằm vùng so sánh với giá trị điểm đặc trưng xét Khi khuôn mặt có nhiều nét thay đổi so với ảnh mẫu giá trị ngưỡng cần lớn Bình thường mức ngưỡng chọn 10 điểm ảnh Chú ý chọn giá trị ngưỡng lớn tăng vùng để tìm giá trị đồng dạng lớn thông tin định vị tổng thể khuôn mặt bị sai Hình 4.5: Vị trí điểm đặc trưng ảnh mặt cá nhân - 99 - Hình 4.6: Giao diện nhận dạng ảnh mặt - 100 - 4.3.1 Kết mô tập ảnh mẫu A Tập ảnh mẫu A gồm ảnh trực diện trạng thái bình thường tương ứng với cá nhân Và tập ảnh mẫu cho kết nhận dạng tốt ảnh cần nhận dạng ảnh trực diện thay đổi độ nghiêng mặt nhỏ so với ảnh trực diện Với ảnh thỏa điều kiện khả nhận dạng: • Rất tốt ảnh thay đổi độ chiếu sáng (hay độ tương phản ) so với ảnh mẫu góc độ chiêùu sáng khác • Chính xác cao ảnh có nét biểu cảm thay đổi cười, nhăn, vui, buồn, nheo mắt, liếc mắt, … với ảnh có thay đổi khuôn mặt nhiều ta cần tăng giá trị ngưỡng • Nhận dạng tốt ảnh mặt có số thay đổi râu, tóc, đeo kính • Vẫn có khả nhận dạng ảnh mặt trực diện nghiêng đầu hay ngửa cúi mặt Ưu điểm: • Dữ liệu cần lưu trữ cho cá nhân nhỏ • Tập liệu chứa nhiều cá nhân • Sẽ thuận tiện trường hợp nhận dạng mặt mà chụp ảnh trực diện cách dễ dàng Tuy nhiên không cho kết nhận dạng tốt ảnh có hướng đầu thay đổi nhiều so với ảnh trực diện nghiêng mặt sang trái, phải, ngửa mặt hay cúi mặt nhiều Hình 4.7 minh họa dạng ảnh mặt nhận dạng tốt với tập ảnh mẫu nằm, với ảnh ảnh nằm tập ảnh mẫu cá nhân, ảnh lại ảnh dùng để thử nhận dạng - 101 - Hình 4.7: Các ảnh nhận dạng tốt tập ảnh mẫu A - 102 - 4.3.2 Kết mô tập ảnh mẫu B Khi thêm vào tập liệu ảnh nghiêng mặt sang phải, trái, ngửa cúi khả dạng khắc phục nhược điểm tập ảnh mẫu A Nói chung ảnh mẫu phong phú trạng thái hướng nghiêng mặt khả nhận dạng cao Tuy nhiên làm gia tăng dung lượng cần lưu trữ cho cá nhân 4.3.3 Tốc độ thực Đối với máy tính Pentium III 850Mhz thời gian thực hiện: • Biến đổi Gabor Wavelets ảnh mặt 0.2s, • Tạo vector đặc trưng cho ảnh mặt 7s • Tạo ma trận đặc trưng cho ảnh từ 40 đáp ứng lọc Gabor 6s • Thời gian so khớp ảnh cần nhận dạng với ảnh tập ảnh mẫu 0.15s Tổng thời gian để nhận dạng khuôn mặt với tập mẫu A khoảng 15s Thời gian tạo vector đặc trưng ma trận đặc trưng nhiều phải quét cửa sổ toàn ảnh mặt nh có kích thước lớn khoảng thời gian tăng Tổâng thời gian nhận dạng tỉ lệ thuận với số lượng ảnh có tập mẫu Với mã viết ngôn ngữ Matlab chưa tối ưu Nếu máy tính có tốc đôï cao tốc độ nhận dạng cải thiện - 103 - 4.4 Kết luận Nhận dạng mặt người lónh vực hấp dẫn ngành nghiên cứu hệ thần kinh nghiên cứu trực quan máy tính Con người có khả nhạân dạng khuôn mặt quen cách dễ dàng nhờ quan thị giác lớp vỏ bán cầu não dung lượng nhớ người lại có giới hạn Các nghiên cứu để minh họa khả nhận dạng máy tính đời với ưu điểm dung lượng nhớ lớn Từ năm 1988 nhiều giải thuật đề xuất để tự động nhận dạng khuôn mặt Trong bật phương pháp eigenface (tạo ma trận vector riêng khuôn mặt) đơn giản phương pháp so khớp mặt đồ thị lưới đàn hồi cho độ xác cao tính toán phức tạp tốn thời gian thực Sau kết hợp với mạng Neural Network để tăng tốc đôï độ xác nhận dạng, nhiên dung lượng ảnh liệu tăng lên mạng cần liệu để học tập Phương pháp nhận dạng dựa việc trích đặc trưng đời làm giảm bớt dung lượng lưu trữ, phép biến đổi Gabor wavelets thuận lợi cho việc trích điểm đặc trưng vector đặc trưng Nhiều giải thuật dựa phép biến đổi GW đời, ưu điểm điểm giải thuật luận văn này: • Tìm điểm đặc trưng tự động thay cho việc định vị điểm đặc trưng tay Điểm đặc trưng chọn đỉnh có lượng cao đáp ứng sau chập ảnh với lọc GW, điều giúp cho khuôn mặt giữ nét đặc thù riêng phương pháp dùng nút đồ thị phương pháp khớp đồ thị đàn hồi • Đối với phương pháp trích đặc trưng dùng GW làm giảm dung lượng lưu trữ liệu nhiều lưu trữ ma trận đặc trưng với kích thước nhỏ vài chục (30-40) pixell vơi hàng số điểm đặc trưng cột số - 104 - lọc GW cộng thêm cột chứa vị trí điểm đặc trưng Đồng thời số lượng ảnh mẫu không cần nhiều, ảnh mẫu dùng để nhận dạng • Phương pháp có khả nhận dạng tốt thay đổi độ chiếu sáng ảnh mặt, tình trạng thay đổi nét biểu cảm khuôn mặt • Với giải thuật so khớp nhận dạng với hai điều kiện khởi đầu thỏa hai giá trị ngưỡng th1 th2, chọn hợp lý làm tăng tốc độ trình so sánh nhận dạng Giải thuật so khớp tính toán đơn giản thời gian thực tối ưu phương pháp so khớp mặt đồ thị lưới đàn hồi 4.5 Hướng phát triển đề tài Trong luận văn trình nhận dạng giới hạn giả sử tập ảnh có sẵn ứng dụng cho vài nghành công an, nhận dạng tội phạm, xác minh người có ảnh ảnh thử tiền xử lý tay Các ảnh nhận dạng đen trắng Hướng phát triển đề tài đề xuất sau: • Cải thiện ngôn ngữ xử lý để tăng tốc độ với sở ảnh mẫu lớn • Thực nhận dạng ảnh màu Vì thực tế công cụ lưu giữ ảnh lưu dạng ảnh màu Tuy nhiên tăng thông tin lưu trữ giảm tốc độ nhận dạng, vấn đề cần giải • Thực giai đoạn tiền xử lý tự động, ví dụ mọât ảnh chụp từ máy ảnh kỹ thuật số đưa vào máy tính tự động trích cắt phần ảnh mặt, đồng thời thay đổi kích thước định dạng phù hợp để đưa vào phần mềm nhận dạng • Nhận dạng ảnh mặt môi trường, ví dụ ta dùng camera tự động để quan sát vùng cần quan tâm Ta có hình ảnh - 105 - người với cảnh quan môi trường xung quanh Muốn thực nhận dạng tự động trước tiên phải thực dò tìm xác minh đối tượng có phải ảnh mặt người hay không, sau xác định ảnh mặt người qua giai đoạn tiền xử lý Nếu thực điều có nhiều ứng dụng thực tế • Nghiên cứu khả nhận dạng với ảnh ba chiều TÀI LIỆU THAM KHAÛO [1] Alex Pentland and Tanzeem Choudhury, “Face Recognition for Smart Environments”,IEEE Computer,February 2000 Chengjun Liu and Harry Wwechsler, “Independent Component Analysis of Gabor Features for Face Recognition”,IEEE Trans Neural Networks, vol.14, no.4, pp.919-928,2003 [2] Burcu Kepenekci , F Boray Tek , Gozde Bozdagi Akar, “Occluded Face Recognition By Using Gabor Features” Department of Electrical And Electronics Engineering, METU, Ankara, Turkey [3] Burcu Kepenekci, “Face Recognition Using Gabor Wavelet Transform”, a thesis submitted to the graduate school of natural sciences of the middle east technical university by in partial fullfilment of the requirements for the degree of master of science in the department of electrical and electronics engineering september 2001 [4] Creed F Jones , “Color Face Recognition using Quaternionic Gabor Filters”, Bradley Department of Electrical Engineering, January 15, 2003 [5] Chengjun Liu and Harry Wwechsler, “Independent Component Analysis of Gabor Features for Face Recognition”,IEEE Trans Neural Networks, vol.14, no.4, pp.919-928,2003 [6] DavidS.Bolme,” Elastic Bunch Graph Matching”, Colorado State University Fort Collins, Colorado, Summer 2003 [7] Feng Jiao, Stan Li, Heung-Yeung Shum, Dale Schuurmans,“Face Alignment Using Statistical Models and Wavelet Features” 2003 IEEE Computer Society Conference on Computer Vision and Pattern Recognition ), 1063-691 9/03 2003 IEEE [8] Joni-Kristian Kamarainen, “Feature Extraction Using Gabor Filters”, Lappeenranta University of Technology, Finland, 2003 [9] Ian R Fasel_ Marian S Bartlett_ Javier R Movellan, “A Comparison of Gabor Filter Methods for Automatic Detection of Facial Landmarks”, University of California, San Diego, La Jolla, CA, 92093-0515 [10] Michael Lyons and Shigeru Akamatsu, “Coding Facial Expressions with Gabor Wavelets”, April 14-16 1998, Nara Japan, IEEE Computer Society, pp 200-205 [11] Resmana Lim , Marcel J.T Reinders and Thiang ), “Face Detection Using Skin Color and Gabor Wavelet Representation”,Proc of the International Conf on Electrical, Electronics, Communication, and Information, CECI’2001, March 7-8, Jakarta [12] The ORL database: http://www.uk.research.att.com /facedatabase.html [13] Ville Kyrki - Joni-Kristian Kamarainen, “Simple gabor feature space for Invariant object recognition”, Laboratory of Information Processing, Department of Information Technology, Lappeenranta University of Technology, P.O Box 20, FIN-53851 [14] Ville Kyrki, Joni-Kristian Kamarainen, Heikki Kalviainen, “Invariant Shape Recognition Using Global Gabor Features”, Department of information technology, Lappeenranta University Of Technology, P.O Box 20, fin-53851 lappeenranta, Finland [15] Xiaoguang Lu, “Image Analysis for Face Recognition”, Dept of Computer Science & Engineering, Michigan State University, East Lansing, MI, 48824 - 106 - PHỤ LỤC ****************************************************************** Phụ lục : Code ví dụ Gabor wavelets 1D ****************************************************************** function f = waveletexp() % This function illustrates how Gabor wavelets are used % to analyze the frequency information in a function % Create a function that is a sum of 10 sinusoids x = 0:.05:50; f = 0*x; for i = 1:10 r1 =(2*rand-1); r2 =(2*rand-1); f = f + r1*sin(15*x/(2ˆi))+r2*cos(15*x/(2ˆi)); end % Create wavelet masks that is sensitive to the third % sinusoid y = -12:0.05:12; for i = 1:max(size(y)) w1(i) = exp(-0.025*y(i)ˆ2)*cos(15*y(i)/(2ˆ3)); w2(i) = exp(-0.025*y(i)ˆ2)*sin(15*y(i)/(2ˆ3)); end % Convolve the function with the wavelet masks c1 = conv(f,w1); c2 = conv(f,w2); % Resize the convolution arrays to only include the % parts corresponding to the function [n,m] = size(f); [p,q] = size(c1); lowb = (q-m)/2; highb = lowb+m-1; c1 = c1(lowb:highb); c2 = c2(lowb:highb); % Compute the magnitude and phase transformation of - 107 - % the convolution values for i = 1:max(size(c1)) cmag(i) = sqrt(c1(i)ˆ2 + c2(i)ˆ2); if ( c1(i) > ) cphase(i) = atan(c2(i)/c1(i)); else cphase(i) = pi + atan(c2(i)/c1(i)); end end % Plot the function subplot(5,1,1); plot(x,f,’-’); axis manual axis( [min(x) max(x) min(f) max(f)] ); % Plot the wavelets subplot(5,1,2); plot(y,w1,’g-’,y,w2,’b-’); axis manual axis( [-25 25 -1 1] ) % Plot the raw convolution values subplot(5,1,3); plot(x,c1 ,’g-’,x,c2,’b-’); axis manual axis([min(x) max(x) min(c1) max(c1)]); % Plot the magnitude of the values subplot(5,1,4); plot(x,cmag,’g-’); axis manual axis([min(x) max(x) min(cmag) max(cmag)]); % Plot the phase of the values subplot(5,1,5); plot(x,cphase,’b.’); axis manual axis([min(x) max(x) min(cphase) max(cphase)]); ... 2.07.01 TÊN ĐỀ TÀI : NHẬN DẠNG MẶT NGƯỜI DÙNG GABOR WAVELETS II-NHIỆM VỤ VÀ NỘI DUNG : - Tìm hiểu phương pháp nhận dạng mặt biến đổi GaborWavelets - Ứng dụng phép biến đổi Gabor Wavelets biểu diễn... 2.4.1 Hàm biến đổi Gabor Wavelets chiều 2.4.2 Biến đổi Gabor Wavelets chiều CHƯƠNG 3: ỨNG DỤNG GABOR WAVELETS TRONG BIỂU DIỄN VÀ NHẬN DẠNG MẶT NGƯỜI 3.1 Hệ thống nhận dạng mặt người …………………………………………………………………….67... biệt dễ nhận dạng khuôn mặt điển hình Cả hai loại đặc tính tổng thể cục dùng để miêu tả nhận dạng mặt Con người nhận dạng người chủng tộc họ dễ người khác chủng tộc Con người mã hóa khuôn mặt “tiêu